基于NQI数据基线的重燃高温透平叶片质量风险评估方法
- 国知局
- 2024-11-06 14:51:16
本发明属于复杂产品制造过程质量风险评估领域,涉及一种基于nqi数据基线的重燃高温透平叶片质量风险评估方法。
背景技术:
1、重燃高温透平叶片是重燃制造过程中最大的痛点和难点,重燃高温透平叶片制造工艺间耦合度高、质量依赖性强,稍有控制不当,就可能引发质量问题,其价值含量占重燃总成本的1/3,因此重燃高温透平叶片的制造质量决定了重燃的技术水平。
2、目前重燃高温透平叶片正由试制成功向批量生产过渡,其制造质量仍处于不稳定状态,质量因素不确定性较高、质量问题发生的机理不明确。叶片质量发生异常是多种因素综合作用的结果,在先验信息的条件下对质量风险进行前后向推理及关键风险点分析,有助于提供日常质量风险预控的重点目标和依据,以帮助企业在有限的人力物力条件下最大程度地对质量风险进行预控,对提高重燃高温透平叶片制造质量稳定性具有重大意义。
技术实现思路
1、本发明的目的在于,提供一种基于nqi数据基线的重燃高温透平叶片质量风险评估方法,以解决现有技术中重燃高温透平叶片质量不稳定、质量影响因素不确定性较高、质量问题发生的机理不明确导致重燃高温透平叶片质量难以评估的问题。
2、为达到上述目的,本发明采用以下技术方案予以实现:
3、一种基于nqi数据基线的重燃高温透平叶片质量风险评估方法,包括:
4、根据重燃高温透平叶片制造工艺、工艺标准、工艺控制以及现场检测信息构建制造逻辑数据基线;
5、采用t-s模型对制造逻辑数据基线中每个质量控制点构建t-s质量风险树模型,并根据t-s质量风险树模型分析确定质量控制逻辑数据基线;
6、将叶片的制造逻辑数据基线和质量控制逻辑数据基线结合,得到重燃高温透平叶片制造全域的nqi数据基线模型;
7、将构建的t-s质量风险树模型转换为贝叶斯网络,结合预设的直觉模糊集和d-s证据融合理论获取贝叶斯网络约束区间变量;将超椭球模型引入贝叶斯网络约束区间变量,构建区间改良贝叶斯网络模型;
8、对t-s质量风险树模型的顶事件进行求解,对区间改良贝叶斯网络模型的根节点的灵敏度与重要度进行分析;输出结果进行质量风险评估。
9、优选地,所述根据重燃高温透平叶片制造工艺、工艺标准、工艺控制以及现场检测信息构建制造逻辑数据基线具体包括:
10、根据不同叶片型号和不同工艺阶段来划分每一条制造逻辑基线;
11、利用工序名称、质量控制点、检测记录、标准规范以及质量活动构建制造逻辑数据基线。
12、优选地,所述采用t-s模型对制造逻辑数据基线中每个质量控制点构建t-s质量风险树模型,具体包括:
13、采用t-s逻辑门描述各个质量控制点的t-s质量风险树中事件之间的关系,通过相应的t-s模糊规则表达,t-s模糊规则的形式为:
14、
15、其中,xj为输入变量,为一个模糊集合,yl为此模糊规则所对应的输出变量,为表达变量间关系的实数。
16、优选地,所述将叶片的制造逻辑数据基线和质量控制逻辑数据基线结合,得到重燃高温透平叶片制造全域的nqi数据基线模型,具体为:
17、结合横向的制造逻辑数据基线与纵向的t-s质量风险树形成的质量控制逻辑数据基线,得到重燃高温透平叶片制造全域的nqi数据基线模型。
18、优选地,所述将将构建的t-s质量风险树模型转换为贝叶斯网络具体包括:
19、将t-s质量风险树中的事件和t-s门分别转化为贝叶斯网络的节点和有向边,通过贝叶斯网络中根叶节点之间的有向边来描述下级事件与上级事件之间的静态逻辑关系;
20、将t-s门描述规则转化为贝叶斯网络条件概率表。
21、优选地,其特征在于,所述结合预设的直觉模糊集和d-s证据融合理论获取贝叶斯网络约束区间变量,包括:
22、将不同专家对于不同节点不同质量异常状态发生可能性的直觉模糊语言判断转换为概率;
23、归一化具有多粒度的直觉模糊语言信息,将不同粒度的直觉模糊语言信息映射到相同的语言评价集合上,以便后续的处理和计算;
24、计算根节点在不同质量异常状态下的模糊可能性,对于根节点的每个质量异常状态,计算其对应的模糊可能性,得到闭区间;
25、计算根节点各质量异常状态的概率;
26、采用证据理论来融合不同专家提供的节点先验信息,解决其非线性和冲突性问题。
27、优选地,其特征在于,所述将超椭球模型引入贝叶斯网络约束区间变量,构造了区间改良贝叶斯网络模型,包括:
28、针对分析结果区间覆盖范围大、精度低的问题,采用超椭球模型约束区间变量,构造了区间改良贝叶斯网络模型;
29、通过超椭球的限制和变量的转化,以及与失效面的距离计算,来描述不确定参数的特征和偏差情况。
30、优选地,所述对t-s质量风险树模型的顶事件进行求解,对区间改良贝叶斯网络模型的根节点的灵敏度与重要度进行分析;输出结果进行质量风险评估,具体包括:
31、求解顶事件,得到顶事件t在各质量异常状态的区间模糊概率,计算公式为:
32、
33、中,ph(x1,…,xi,…,xn,y=yq)为各根节点x1,x2,…,xn所有质量异常状态与叶节点y质量异常状态为yq(q=1,2,…,kq)的联合概率,ph(y=yq|x1,…,xi,…,xn)为条件概率,表示考虑各根节点x1,x2,…,xn所有质量异常状态的条件下,叶节点y质量异常状态为yq的可能性;
34、计算后验概率,反映了叶节点异常时根节点异常的可能性,计算公式为:
35、
36、其中,为根节点xi质量异常状态为ai与叶节点t质量异常状态为tp的联合概率;
37、根节点灵敏度分析,反映叶节点质量异常状态随根节点质量异常状态变化的速度,即敏感程度,计算公式为:
38、
39、其中,为根节点xi质量异常状态为ai条件下叶节点t质量异常状态为tp的区间模糊概率,ph(t=tp|xi=0)为根节点xi质量异常状态为0条件下叶节点t质量异常状态为tp的区间模糊概率;
40、计算根节点概率重要度,表示根节点xi的变化使叶节点概率发生变化的变化率,计算公式为:
41、
42、其中,为根节点xi质量异常状态为ai的区间模糊概率,为根节点xi质量异常状态为ai的区间模糊概率为1时引起叶节点t质量异常状态为tp的概率,为根节点xi质量异常状态为ai的区间模糊概率为0时引起叶节点t质量异常状态为tp的概率;
43、计算根节点关键重要度,分析根节点对整个系统的影响程度和质量异常状态的可能性,计算公式为:
44、
45、其中,ph(t=tp)为叶节点t质量异常状态为tp的区间模糊概率,为根节点xi质量异常状态为ai时对叶节点t质量异常状态为tp的概率重要度。
46、一种基于nqi数据基线的重燃高温透平叶片质量风险评估系统,包括:
47、第一构造单元,用于根据重燃高温透平叶片制造工艺、工艺标准、工艺控制以及现场检测信息构建制造逻辑数据基线;
48、第二构造单元,用于采用t-s模型对制造逻辑数据基线中每个质量控制点构建t-s质量风险树模型,并根据t-s质量风险树模型分析确定质量控制逻辑数据基线;
49、模型构建单元,用于将叶片的制造逻辑数据基线和质量控制逻辑数据基线结合,得到重燃高温透平叶片制造全域的nqi数据基线模型;
50、模型转换单元,用于将构建的t-s质量风险树模型转换为贝叶斯网络,结合预设的直觉模糊集和d-s证据融合理论获取贝叶斯网络约束区间变量;将超椭球模型引入贝叶斯网络约束区间变量,构造了区间改良贝叶斯网络模型;
51、分析计算单元,用于对t-s质量风险树模型的顶事件进行求解,对区间改良贝叶斯网络模型的根节点的灵敏度与重要度进行分析;输出结果进行质量风险评估。
52、一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述基于nqi数据基线的重燃高温透平叶片质量风险评估方法的步骤。
53、与现有技术相比,本发明具有以下有益效果:
54、本技术所公开的nqi数据基线以数据驱动的方式提供了计量、标准、检验检测等方面全域全要素的管控要求,即各管控要点的标准、质量问题的判定以及相应的处理措施这一完整的管控体系;
55、质量控制点发生异常是多种因素综合作用的结果,在先验信息的条件下对质量风险进行前后向推理及关键风险点分析,有助于提供日常质量风险预控的重点目标和依据,以帮助企业在有限的人力物力条件下最大程度地对质量风险进行预控;
56、结合直觉模糊集、区间模糊概率以及d-s证据融合的节点先验信息获取方法以在有限信息下获得更加准确的先验信息,解决重燃高温透平叶片制造过程数据不完备、机理不清晰以及企业相关数据的保密性,导致不能精确获取各节点先验信息的问题。
57、(a)本发明在能够在有先验信息的条件下,对质量风险进行前后向推理及关键风险点分析,找到质量问题发生机理。
58、(b)本发明提供的信息能够成为日常质量风险预控的重点目标和依据,以帮助企业在有限的人力物力条件下最大程度地对质量风险进行预控。
本文地址:https://www.jishuxx.com/zhuanli/20241106/324457.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表